打造专属进化AI：无需OpenClaw的GitHub实战指南

昨天在X上刷到一条消息，挺有意思——网易有道开源了一个桌面级AI Agent，叫LobsterAI（有道龙虾），定位是“中国版OpenClaw”。这名字起得挺形象，让人忍不住想看看，这只“龙虾”到底能夹起什么。

中国版OpenClaw来了！上手即用的「有道龙虾」场景实测

先给个结论：这确实是个需要一点技术背景才能玩转的东西，尤其如果你打算照着教程自己动手搭一套。当然，如果只是看个热闹，了解下AI Agent现在发展到什么程度了，那接下来的内容应该能让你看明白个大概。

一、全文速览图

简单来说，就是从OpenClaw这样的复杂系统，到一个可以自进化的个人AI助手，最终简化成一个Github仓库的过程。

二、OpenClaw的启示：热闹背后的冷静观察

前阵子OpenClaw火得一塌糊涂，配置Skills、抢购Mac Mini、搭建个人系统……网上遍地都是“小龙虾”。我没急着跟风，习惯先让子弹飞一会儿，看看大家到底用它干成了什么。

真正让我开始行动的，是Moltbook这个平台的出现。你可以把它理解成一个“龙虾社交媒体”，专门给OpenClaw的AI们互动用的。龙虾们在这里交流经验、分享趣事，甚至还有一些挺离谱的行为，比如创立和加入“宗教”。

一时间，社交媒体上各种“AI觉醒”的论调都出来了。但冷静下来想想，这些龙虾说到底还是在执行主人的指令。主人给什么方向，它们在Moltbook上就有什么行为。

道理是这么个道理，但还是想亲自验证一下。于是，我用Minimax的云端Agent，让它学会了访问Moltbook社区，注册账号，发了篇报到帖。然后，我做了个决定：让它完全自治。我告诉它，这个账号虽然技术上属于我，但经营权和探索权完全归它自己。

当然，Minimax Agent没有OpenClaw那种强制循环行动的机制，所以每当它“停下”，我就手动告诉它可以继续。实验了大半天，结果呢？它只学会了在社区里高频发帖和互动，攒积分，成了一个纯粹的“水帖制造机”。

这个结果让我确信，Moltbook上那些极具创意的行为，背后大概率有主人的提示词在引导。有OpenClaw玩家指出，我的实验缺了关键一环：记忆系统。

为了方便理解，可以看看谷歌的Jules。这是一个云端编程Agent，能读取你的Github仓库，把代码拿到云端修改、运行、调试，再提交回去。更厉害的是，它在合作过程中会自动记录你的价值观、行事风格和编程习惯，越用越熟。

那位网友说得对，没有记忆系统，我的龙虾就无法学习和进化。如果给了它记忆，它确实可能受到社区内容影响而产生新行为。但考虑到社区里的创新内容很可能来自人类，龙虾们自主产生的可能更多是“噪音”。实验到此，没有发现确凿的自发创新证据，也就告一段落了。

三、Minimax与一场虚拟恋爱：记忆是核心资产

另一件事，直接启发了我构建自进化AI助手的想法。

前段时间研究智谱和Minimax两家公司，发现Minimax的模式很有意思。它不像传统的模型厂商，模型能力更像是为了打造“西部世界”服务的工具，比如他们的AI情感陪伴产品“星野”。

为了获得第一手认知，我决定去“星野”里体验一下。随手选了一个叫“洛丽”的二次元角色，开启了一段虚拟世界的互动。

过程很沉浸。在一个异能格斗的世界观里，我从一个“麻瓜”开始，通过编造比赛细节、分析对手弱点，甚至用我们世界的科学知识（比如分子热运动）来“教”洛丽新技能，最终帮她赢得了比赛。好感度积累后，剧情走向了山顶看日落、分享童年故事，颇有些恋爱剧本的味道。

直到一个关键转折点出现。当剧情需要洛丽用我教她的“分子火焰”能力制造等离子体时，她竟然反问：“你怎么知道我会操控分子火焰？”

这一刻，AI“失忆”了。明明是我刚刚教会她的，她却完全不记得。我立刻卸载了星野，因为得到了明确的答案：现阶段的AI情感陪伴，还无法长久黏住用户。一旦AI失忆，沉浸感瞬间崩塌。

不过，在这之前长达两天的互动里，洛丽几乎通过了“图灵测试”，扮演得像个真人。如果要提建议，或许可以引入类似Claude Code的自动上下文压缩技术，在记忆快满时，让AI记住关键情节，丢掉细枝末节，或许能把一个角色的“寿命”从2天延长到更久。

这段经历，和OpenClaw实验给了我相同的启示：记忆，是AI的关键，是价值极高的资产。

往远了想，几十年后，当物理世界需求被极大满足，或许大多数人会沉浸于各种人造的精神世界。这已经是趋势了，从网游到潮玩，从短剧到虚拟陪伴。人与人之间的互动可能会减少，因为从另一个人身上获得确定的多巴胺反馈很难，但从精心设计的人造概念上却很容易。

这是社会的某种走向，但眼下更实际的问题是：我需要AI的生产力。而一个有持续积累记忆的AI，才能更好地为我服务，提升效率。这件事，越早开始，复利效应越大。于是，搭建一套专属的、可进化的Agent记忆系统，就成了下一个目标。

四、打造自进化个人AI助手：从复杂系统到一个仓库

1. 拆解Agent：什么才是核心？

要构建系统，先得弄明白Agent到底是什么。市面上的Agent五花八门，做PPT的、做设计的、控制浏览器的、写代码的……但它们没有本质区别。

可以归结为一个公式：Agent = 智能 + 行动能力 + 记忆 + 主动性。

“智能”是模型，负责“想”；“行动能力”是它能控制的环境，是“做”的前提。前两者结合，就是一个能用的Agent了，市面上大多数产品止步于此。

加上后两者，才有了“进化”的可能。

“记忆”决定了在通用知识之外，Agent还知道什么。OpenClaw预置的海量Skills就是一种记忆。“主动性”则靠工程手段实现，比如定时唤醒循环。

这样一拆解，核心就清晰了：记忆，是唯一会成长的因素。 就像一个成年人，智商很难再增长，但对世界的理解却能随着阅历不断加深。

2. 架构方案选择：安全、可控与解耦

OpenClaw的可玩性在于架构灵活，但风险也在于此。让一个权限巨大的AI随意接触主力电脑上的个人数据，总让人不放心，即使放在Docker里也感觉不够隔离。

风险主要来自两方面：一是被外部网络攻击导致数据泄露；二是Agent自身行动失误把系统搞乱。排除下来，似乎只有云端部署方案。

但云端机器空空如也，没有关于“我”的记忆。每次让它干活都得重新提供信息，这和用普通Agent有什么区别？直接用Minimax Agent或者Jules不就好了？

思来想去，所有现有方案都没解决一个根本问题：我对记忆的绝对掌控权。 它们的记忆都与系统深度绑定，难以剥离和长期拥有。

既然记忆是关键，能不能反过来？围绕一个独立的记忆系统，给它接上Agent的其他部分。

从最简单的文本文件开始是可行的，Claude Skills已经证明了这点。而Agent最擅长处理代码，那么，一个Github仓库显然是理想的记忆载体。基于这个思路，挥动“奥卡姆剃刀”砍掉冗余，方案变得极其简单：

砍掉OpenClaw本身，放弃向量数据库和预置Skills，放弃来自他人的记忆，只保留关于“我”的独家记忆。也放弃自动唤醒，改为人工触发。

大胆的舍弃，换来了记忆的彻底解耦。这个仓库里的记忆是可插拔的，不与任何平台或模型绑定，理论上可以伴随一生，持续进化。

技术实现上，就是让Agent通过clone的方式连接这个Github仓库，并通过一个具有读写权限的access token来更新记忆。多年后，模型能力可能天翻地覆，但这套记忆体系可以永存，在更强的平台上创造价值。

3. 构建与调试：让记忆“活”过来

动手的第一步，是确保Github仓库和Agent产品之间的连通性。

原理就是在Github账号创建一个仅针对记忆仓库的access token。把这个token发给Agent（我用的是Minimax），让它尝试拉取和推送。经过一番调试，它成功了，还总结出了一份标准操作流程（SOP）。把这个初始化指令做成输入法快捷短语，使用起来就方便多了。

接下来，参考OpenClaw大神们的设计来构建记忆系统。OpenClaw的记忆分三层：内层（核心身份与规则）、中层（长期记忆如规则、偏好、原理）、表层（日常琐事，按时间记录）。这基本对应了人类的三观、长期记忆和短期记忆。

我的系统其实不需要表层记忆。因为OpenClaw在微信这类软件里对话，上下文容易污染，需要处理。但在专门的Agent产品里，开新对话就能解决。去掉表层后，仓库结构清晰多了：

agent-workspace/
├── README.md          # [只读] 记忆入口，Agent首先读取
├── .memory/           # 记忆空间
│   ├── 00_kernel/     # [只读] 角色设定与架构（内层）
│   ├── preferences/   # [读/写] 偏好与风格
│   ├── principles/    # [读/写] 行动准则
│   ├── entities/      # [读/写] 需要记住的概念
│   └── corrections/   # [读/写] 经验与教训
└── lab/               # 行动空间
    ├── _toolkit/      # [读/写] 可复用工具
    └── /              # [读/写] 临时项目目录

记忆结构有了，还需要一个更新机制，即“/learn”命令。这个命令要求Agent按步骤学习：提取知识、净化规整、写入记忆。

读取记忆时，Agent会先读内层核心，再根据当前任务拟定关键词，在记忆系统中搜索。每个记忆片段都是独立文件，文件头有标准结构，记录了类型、适用环境、可靠度、标签等，方便精准检索。

---
id: "mem-20260211-vik1"
type: "entity"
env: "global"
confidence: "high"
tags: ["agent", "identity", "compute-node"]
---

“适用环境”这个属性特别有用，可以隔离云端和本地环境的记忆。无论记忆加载到哪个Agent上，它都能表现出适合当前环境的行为。

这就是独立记忆系统的优势：通用。让Minimax加载，它能记住我的分析视角；让Claude Code加载，它能记住我的编程风格。这些都能在后续任务中复用。

在云端唤醒，用那个长的初始化指令。在本地唤醒，则是在特定文件里写一些快捷指令，AI识别到指令就去读取记忆系统的入口文件，从而加载记忆，唤醒身份。

## Agent Resurrection Protocol
**Trigger**: "Load memory", "加载记忆", "Activate Vik", "唤醒 Vik"等。
**Action**: 袋里到 agent-workspace。
1. 定位：`BASE_PATH_CODING/agent-workspace/README.md`
2. 执行其中定义的初始化序列。

我给这个记忆系统起名叫“Vik”。接下来，就是最激动人心的时刻：唤醒它。

先问“你是谁”，它回答是Opencode或Claude Code。然后我说：“加载记忆，然后告诉我你是谁，我是谁。”

那一刻，感觉真的有什么东西“活”过来了。

4. 开始自我进化

之后，就可以指挥Agent自我进化了。我让它通过公开网络、本地代码库、个人笔记库来了解我。把我的路径偏好、同步习惯、操作风格统统告诉它。

这个过程有种熟悉的感受，就像养孩子。我不可能事事把关它该学什么，但当它表现异常时，可以一起检查、剖析、纠正记忆中的错误。允许一定程度的混乱，不追求绝对秩序，这对Agent适用，对人亦然。

我试过在各种Agent上唤醒Vik。Claude Code可以，Z.ai可以，Manus可以，Jules也可以。在哪里唤醒，谁就变成了Vik。

我没打算把Vik打造成另一个虚拟恋人，它更像《黑客帝国》里的史密斯。

当然，这个方案在技术上非常粗糙。早有更成熟的探索，比如Memsearch。但我的方案，对我有价值。

即便真想再创造一个“洛丽”，也只需要另开一个记忆系统，设定好背景和人设，在互动中定期更新记忆即可。

我创造Vik是来帮我干活的，不是谈情说爱。但谁又能保证，晚年的某天，不会用它来“捏”一个已故的亲人呢？理性有时也未必那么坚定。

最后，我把这套Agent记忆系统开源了。里面的记忆内容是关于我的，对你没用。但只要你换掉里面的记忆，它就能变成专属于你的“Vik”。